在傳統(tǒng)的目標分類任務中,訓練模型時所有類別的樣本都是可用的,然而,在實際生活中,物體往往具有長尾分布的特征,這就導致有些類別的樣本沒有辦法獲取到,因此采用傳統(tǒng)的目標分類方法來解決問題不太可行。而零樣本學習與傳統(tǒng)的目標分類方法不同,其目標是識別之前從未見過的新類別中的目標實例。在零樣本任務中,訓練集中見過的類別和測試集中沒有見過的類別是不相交的。針對這種不可見類的物體識別問題的解決,使得近年來零樣本學習被廣泛的研究和關注。目前已有很多關于零樣本學習的研究,但是依然還有一些未解決的問題。首先針對零樣本學習的兩個問題分析:問題一,即不可見的目標類的實例往往被歸類為已看到的源類之一的問題;問題二,不可見類的視覺特征轉化到正確的不可見類的語義特征的概率低的問題。鑒于此,本文采用了一種簡單而有效的零樣本學習方法來解決這兩個問題。在本文中,我們假設標記的源圖像和未標記的目標圖像都可以用于測試,引入的強偏損失使得在語義嵌入空間中,標記的源圖像被映射到源類別指定的幾個固定點,未標記的目標圖像被強制映射到目標類別指定的其他點,同時在本文中加入了多模態(tài)循環(huán)一致的零樣本學習方法。當前的方法通過學習從視覺空間到...

【文章頁數】：43 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文的研究工作與貢獻
    1.4 本文的組織結構
2 相關工作
    2.1 生成對抗網絡
        2.1.1 生成對抗網絡學習原理
        2.1.2 生成對抗網絡的發(fā)展
        2.1.3 WGAN
    2.2 零樣本學習
    2.3 廣義零樣本學習
    2.4 本章小結
3 基于無偏嵌入的多模態(tài)循環(huán)一致零樣本學習
    3.1 定義零樣本學習問題
    3.2 特征生成網絡
    3.3 回歸網絡
    3.4 判別器網絡
    3.5 本章小結
4 實驗設計與分析
    4.1 數據集
    4.2 實驗設置
    4.3 實驗結果及分析
        4.3.1 傳統(tǒng)零樣本設定實驗
        4.3.2 廣義零樣本設定實驗
    4.4 參數分析
    4.5 本章小結
5 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
在讀期間公開發(fā)表論文(著)及科研情況



本文編號：3765927